PRECISION, RECALL, CONFUSION MATRIX, ТОЧНОСТЬ, ПОЛНОТА, МАТРИЦА ОШИБОК | МЕТРИКИ КЛАССИФИКАЦИИ

Поддержать канал можно оформив подписку на 🎉 🎉 🎉 А можете скидывать монеты на Мои курсы на платформе Stepik: Метрики качества позволяют оценивать способность моделей машинного обучения восстанавливать закономерности из данных. В этом видео рассмотрим метрики для задачи классификации Precision (точность), Recall (полнота) и Confusion Matrix (матрица ошибок). Наконец-то разберемся, что значит TP, FP, TN, FN. Метрики помогают понять, когда модель начинает переобучаться, про это явление можете посмотреть в видео () Остальные метрики классификации: 1. Accuracy - 2. Precision. Recall. Confusion Matrix - 3. F-score - 4. Micro, Macro, Weighted - Ноутбук из видео: 0:00 Пройденная метрика Accuracy 0:27 Проблемы метрики Accuracy 0:44 Ошибки модели в задаче кредитного скоринга 1:24 Ошибка ложного срабатывания (False Positive) 1:43 Ошибка ложного пропуска (False Negative) 2:08 Истинное срабатывание (True Positive) 2:23 Истинный пропуск (True Negative) 2:40 Матрица ошибок (Confusion Matrix) 3:50 Построение матрицы ошибок для первой модели 4:34 Метрики Precision, Recall 5:10 Удобная визуализации двух метрик 5:49 Точность (Precision) - чистота классификации 6:29 Минимизации ошибок FP в Precision 7:30 Разница моделей по Precision 7:52 Полнота (Recall) - количество или охват классификации 8:35 Минимизации ошибок FN в Recall 9:50 Разница моделей по Recall 10:10 Сравнение моделей 10:44 Примеры задач на максимизацию метрик 10:53 Классификация сотрудников на АЭС 12:38 Диагностика заболеваний 14:07 Резюме
Back to Top